神经风格转移：Anaconda快速搭建DL框架学梵高（Van Gogh）绘画Ubuntu16.04 CPU&GPU版

神经风格转移：Anaconda快速搭建DL框架学梵高（Van Gogh）绘画 Ubuntu16.04 CPU&GPU版

最近开始学ML和DL的知识，开始新的方向，像吴恩达说的，看的再多，不跑几个Demo做几个实验，还是理解不了，所以找了个基于DL做的包跑了一下，还挺有意思的，DL的框架都是别人搭好的，可以直接用，把环境配置一下就可以快速开始了，亲手操作一遍会对DL的有一些更直观的感受。

---

一、配环境—CPU版

我是在anaconda中创建的环境

1.先建一个以van为名字的conda 环境

conda create -n van python=2.7 scipy numpy pillow git tensorflow

重点是要测试一下tensorflow能不能正常运行

python
>>>import tensorflow as tf
>>> hello = tf.constant('Hello, TensorFlow!')
>>> sess = tf.Session()
>>> print(sess.run(hello))
Hello, TensorFlow!
>>> a = tf.constant(10)
>>> b = tf.constant(32)
>>> print(sess.run(a + b))
42

有输出就代表tensorflow可以运行了，其实只要输入import tensorflow as tf没有报错就基本没问题了。

2.跟着下载别人搭好的DL框架neural-style下载，我把它保存在tensorflow的文件夹里面（当然你保存在其他地方也可以 do what you want）

cd ~/anaconda3/envs/van/lib/python2.7/site-packages/tensorflow
git clone https://github.com/anishathalye/neural-style.git

3.然后下载vgg19，保存在neural-style的文件夹根目录下

cd neural-style
wget http://www.vlfeat.org/matconvnet/models/beta16/imagenet-vgg-verydeep-19.mat

4.到这里环境的配置工作就基本完成了,输入指令开始训练模型

python neural_style.py --content ./examples/tong.jpg --styles ./examples/2-style2.jpg --output ./examples/test-tong.jpg

主要是三个参数

• –content:目标图片（要模仿梵高画作的图片）
• –styles:训练图片，以此图片的特征来训练神经网络（这个包里只提供了三种风格的梵高画）
• –output:输出图片

效果对比：


跑这个图用CPU花了七个小时，如果用GPU版的tensorflow可能十几分钟就完工了（GPU：TITAN xp）。

---

二、配环境—GPU版

用GPU最麻烦的就是配环境，成功之后那做实验效果飞一般的爽快，所以大家咬咬牙还是把环境配了。
而且如果同样使用anaconda来辅助搭环境，会少踩不少坑，墙裂推荐！！！
本人的系统是Ubuntu16.04 LTS，显卡 TITAN XP

需要安装的依赖项：

• CUDA8.0（最难搞这个，不成功分分无限循环登录界面）
• CUDNN5.1
• GCC 4.9
• Tensorflow-gpu版

1.CUDA 8.0

不得不说，官方教程是最详细可行的，安装的时候看不了不少别人的博客文档，问题可说是千奇百怪，墙裂建议下一份官方文档做参考，综合别人写的教程来安装会少出问题。
CUDA8.0官方教程

---

①先确认自己电脑是否具备安装条件

a) 检查自己的GPU是否是CUDA-capable

在终端中输入：lspci | grep -i nvidia

会显示自己的NVIDIA GPU版本信息，然后去CUDA的官网查看自己的GPU版本是否在CUDA的支持列表中
GPU支持列表

b) 检查自己的Linux版本是否支持 CUDA
Ubuntu 14.04和16.04两个版本都支持CUDA

c) 检查自己的系统中是否装了gcc

查看自己的gcc版本： gcc –v

d) 检查是否安装了kernel header和 package development
CUDA 和 nvidia驱动编译安装需要内核头文件

查看自己的kernel版本：uname –r
在终端中输入：sudo apt-get install linux-headers-$(uname -r)

若以上的检查都没有问题，就可以开始正式的安装了。

---

②选择安装方式

CUDA 有两种安装方式：

• package manager安装：简单，但是用这种方法安装失败了，还是老实用第二种
• runfile安装（本文所用的安装方式）

CUDA下载地址
根据自己的系统版本选择，只要最后一项安装包类型选择runfile就行了

---

③安装CUDA

a) 禁用 nouveau

终端中运行：lsmod | grep nouveau，如果有输出则代表nouveau正在加载。

需要禁用nouveau：
创建blacklist-nouveau.conf

touch /etc/modprobe.d/blacklist-nouveau.conf  
gedit blacklist-nouveau.conf  

在文件中添加以下内容：

blacklist nouveau
options nouveau modeset=0

重新生成内核的initramfs

sudo update-initramfs –u1

然后再次运行lsmod | grep nouveau检查是否禁用成功，如果运行后没有任何输出，则代表禁用成功。

b) 重启电脑，到达登录界面时，alt+ctrl+f1，进入text mode，登录账户

c) 关闭图形化界面

sudo  service lightdm stop

d) 切换到cuda安装文件的路径（一般都是在Downloads文件夹里面），输入（具体根据自己下的版本号来执行，最后那个指令是不按照openGL）

sudo chmod a+x cuda_8.0.61_375.26_linux.run --no-opengl-files

按照提示一步步操作

一开是cuda的描述，一直回车到100%即可，然后输入accept
遇到是否安装openGL，一定输入n，然后提示是否安装nvidia-xconfig，如果你的电脑还存在一个核显或者集显就输入n，反之输入y

下一个提示是 是否安装CUDA Toolkit，输入y

后面的提示都是使用默认或者y了

安装完会显示哪些安装成功，哪些安装失败

e) 重新启动图形化界面

sudo service lightdm start 

Alt + ctrl +F7，返回到图形化登录界面，输入密码登录。

如果能够成功登录，则表示不会遇到循环登录的问题，基本说明CUDA的安装成功了。
如果，我说如果，出现了无限循环登录的情况，那…就尴尬了，自己另外百度吧，本人之前试了各种办法没解决

f) 重启电脑。检查Device Node Verification。

检查路径/dev下 有无存在名为nvidia*（以nvidia开头）的多个文件(device files)
如果没有的话，可以参考官方文档里的指导步骤，进行添加。

g) 设置环境变量。

输入

sudo gedit /etc/profile 

在文件末尾，添加以下两行。

export PATH=/usr/local/cuda-8.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64:/usr/local/cuda-8.0/extras/CUPTI/lib64:$LD_LIBRARY_PATH

保存文件。

这里有点与官方安装文档稍有不同，需要说明：

官方文档里说只需在终端中运行上述两条export语句即可，但如果不将它们不写入/etc/profile文件的话，这样的环境变量在你退出终端后就消失了，不起作用了，所以写入才是永久的做法。

h) 重启电脑，检查上述的环境变量是否设置成功。

输入 : env
检查一下有没有上一项设置的变量，有就成功了，没有再返回查看文档有没有成功保存。

i) 查看CUDA的版本信息
两个指令都可以查看
（1） nvcc -v
（2）cat /usr/local/cuda/version.txt
如果正常输出CUDA的版本信息，那么基本上就没什么问题，恭喜恭喜。

2.CUDNN 5.1

① 到官网下载cudnn5.1

需要注册一个NVIDIA Developer的账号，登录之后会有一个调查文件，然后点击I Agree就会出现下载列表

选择cudnn5.1（现在都更新到7.3版本了）

选择cuDNN v5.1 Library for Linux

② 开始安装

先cd到刚刚cudnn安装的目录下，然后输入

tar xvzf cudnn-8.0-linux-x64-v5.1.tgz
sudo cp cuda/include/cudnn.h /usr/local/cuda/include
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*

③检查

查看cudnn版本

cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

3.GCC 4.9

ubuntu的gcc编译器是5.4.0，然而cuda8.0不支持5.0以上的编译器，因此需要降级，把编译器版本降到4.9：
在terminal中执行：

sudo apt-get install g++-4.9
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-4.9 20
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-5 10
sudo update-alternatives --install /usr/bin/g++ g++/usr /bin/g++-4.9 20
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-5 10
sudo update-alternatives --install /usr/bin/cc cc /usr/bin/gcc 30
sudo update-alternatives --set cc /usr/bin/gcc
sudo update-alternatives --install /usr/bin/c++ c++ /usr/bin/g++ 30
sudo update-alternatives --set c++ /usr/bin/g++

检查版本

gcc -v

输出显示4.9.3就说明正常降级了

4.Tensorflow GPU版

到这里就容易了，直接再anaconda里面搭环境，建一个以van命名的环境

conda create -n van python=2.7 scipy numpy pillow git bazel tensorflow-gpu

5.下载DL框架

① DL框架neural-style下载

我把它保存在tensorflow的文件夹里面（当然你保存在其他地方也可以 do what you want）

cd ~/anaconda3/envs/van/lib/python2.7/site-packages/tensorflow
git clone https://github.com/anishathalye/neural-style.git

② 然后下载vgg19，保存在neural-style的文件夹根目录下

cd neural-style
wget http://www.vlfeat.org/matconvnet/models/beta16/imagenet-vgg-verydeep-19.mat

到这里环境的配置工作就基本完成了

6.测试

输入指令开始训练模型

python neural_style.py --content ./examples/tong.jpg --styles ./examples/2-style2.jpg --output ./examples/test-tong.jpg

主要是三个参数

• –content:目标图片（要模仿梵高画作的图片）
• –styles:训练图片，以此图片的特征来训练神经网络（这个包里只提供了三种风格的梵高画）
• –output:输出图片

效果对比：


跑这个图用CPU花了七个小时，用GPU版的tensorflow十一分钟就完工了（GPU：TITAN xp）。

欢迎大家多多交流学习心得。